MIT – Computational Systems Biology: Deep Learning in the Life Sciences

MIT – Computational Systems Biology: Deep Learning in the Life Sciences

Course description

This courses introduces foundations and state-of-the-art machine learning challenges in genomics and the life sciences more broadly. We introduce both deep learning and classical machine learning approaches to key problems, comparing and contrasting their power and limitations. We seek to enable students to evaluate a wide variety of solutions to key problems we face in this rapidly developing field, and to execute on new enabling solutions that can have large impact. As part of the subject students will implement solutions to challenging problems, first in problem sets that span a carefully chosen set of tasks, and then in an independent project. Students will program using Python 3 and TensorFlow 2 in Jupyter Notebooks, a nod to the importance of carefully documenting your work so it can be precisely reproduced by others.

Syllabus and schedule

	When	Where	Description	Course materials	Reference
Lecture 1	Feb 16 1pm	Course Intro + Overview Foundations	Read Goodfellow Chapter 1Lecture slidesLecture video	DL in BioinformaticsDL for computational biologyThe Roots of BioinformaticsML in Genomic MedicineAwesome DeepBioVisual Information Theory
Lecture 2	Feb 18 1pm	ML Foundations	Read Goodfellow Chapter 6Feed Forward BackpropLecture slidesLecture video	DamienNick LocascioTF site tutorials
Recitation 1	Feb 19 3pm	ML Review	Recitation slides
Lecture 3	Feb 23 1pm	Convolutional Neural Networks	Read Goodfellow Chapter 9Lecture slidesLecture video
Lecture 4	Feb 25 1pm	Recurrent Neural Networks, Graph Neural Networks	Read Goodfellow Chapter 10Lecture slidesLecture video
Recitation 2	Feb 26 3pm	Neural Networks Review	Recitation notes
Lecture 5	Mar 2 1pm	Interpretability, Dimensionality Reduction	Lecture slidesLecture video	Binder et al. (Relevance Propagation)Dumoulin and Visin (Convolution Arithmetic)Finnegan and Song (Maximum entropy methods)Lundberg and Lee (SHAP)Ribeiro (LIME)Selvaraju et al. (Grad-CAM)Shrikumar et al. (Learning Important Features)Shrikumar et al. (DeepLIFT)Simonyan et al. (Saliency Maps)Springenberg et al. (CNN)Sundararajan et al. (Axiomatic Attribution)Yosinski et al. (Deep Visualization)Zeiler et al. (Deconvolutional Networks)Zeiler and Fergus (Understanding Convolutional Networks)Zhou et al. (Discriminative Localization)
Lecture 6	Mar 4 1pm	Generative Models, GANs, VAE	Lecture slidesLecture video
Recitation 3	Mar 5 3pm	Interpreting ML Models	Recitation slides
No class	Mar 9		Monday Class Schedule
Deadline	Mar 10 11:59pm		PS1 due
Lecture 7	Mar 11 1pm	DNA Accessibility, Promoters and Enhancers	Lecture slidesLecture video
Recitation 4	Mar 12 3pm	Chromatin and gene regulation	Recitation slides
Lecture 8	Mar 16 1pm	Transcription Factors, DNA methylation	Lecture slidesLecture video
Lecture 9	Mar 18 1pm	Gene Expression, Splicing	Lecture slidesLecture video
Recitation 5	Mar 19 3pm	RNA-seq, Splicing	Recitation slides
No class	Mar 23		Class Holiday
Lecture 10	Mar 25 1pm	Single cell RNA-sequencing	Lecture slidesLecture video
Recitation 6	Mar 26 3pm	scRNA-seq, dimensionality reduction	Recitation slides
Lecture 11	Mar 30 1pm	Dimensionality Reduction, Genetics, and Variation	Lecture slides ALecture slides BLecture video
Lecture 12	Apr 1 1pm	GWAS and Rare variants	Lecture slidesLecture video
Deadline	Apr 1 11:59pm		PS2 due
Recitation 7	Apr 2 3pm	Genetics	Recitation slides ARecitation slides B
Lecture 13	Apr 6 1pm	eQTLs	Lecture slidesLecture video
Lecture 14	Apr 8 1pm	Electronic health records and patient data	Lecture slidesLecture video
Recitation 8	Apr 9 3pm	ML for health data	Recitation slides
Lecture 15	Apr 13 1pm	Graph analysis	Lecture slides Part ALecture slides Part BLecture video
Lecture 16	Apr 15 1pm	Drug discovery	Lecture slidesLecture video
Recitation 9	Apr 16 3pm	Protein structure prediction	Recitation slides
No class	Apr 20		Class Holiday
Lecture 17	Apr 22 1pm	Protein folding	Lecture slides Part ALecture slides Part BLecture slides Part CLecture video
Deadline	Apr 23 11:59pm		PS3 due
Recitation 10	Apr 23 3pm	Exam prep session		Recitation slides
Exam	Apr 27 11:59pm		In-class exam
Lecture 19	Apr 29 1pm	No lecture
Deadline	Apr 29 11:59pm		PS4 due
Recitation 11	Apr 30 3pm	Structural biology and protein folding	Recitation slides
Lecture 20	May 4 1pm	Imaging applications in healthcare	Lecture slides Part ALecture slides Part BLecture video
Lecture 21	May 6 1pm	Video processing, structure determination	Lecture slidesLecture video
No class	May 7		Class Holiday
Lecture 22	May 11 1pm	Imaging and Cancer	Lecture slides Part ALecture slides Part BLecture video
Lecture 23	May 13 1pm	EHRs and data mining	Lecture slidesLecture video
Recitation 12	May 14 3pm	How to present	Recitation video
Deadline	May 17 11:59pm		Final project reports due
Lecture 24	May 18 1pm	Neuroscience	Lecture slides Part ALecture slides Part BLecture video
Deadline	May 19 11:59pm		Final presentations due
Deadline	May 20		In-class final presentations

Tutorials for TensorFlow, NumPy, Google Cloud, and Jupyter notebooks

We collected a series of pointers to tutorials on NumPy, TensorFlow, Google Cloud and Conda here. We also provide a Quickstart tutorial to set up essential environment and tools for you to work on problem set 0 and problem set 1.

Prerequisites

You should be comfortable with calculus, linear algebra, (Python) programming, probability, and introductory molecular biology. This will be a fast paced course, and it is targeted towards students that are both mathematically and computational capable. There are many other subjects at MIT that teach overviews of computational biology that are less demanding, we would be happy to recommend other options if you find this subject is not what you desire.

Class meeting times

• Lecture: TR1-2.30
• Recitation: F3-4
• Mentoring Session: F4-5

Contact

You should feel free to contact the lecturer and the TAs about any questions through 6.874staff@mit.edu. The best way to get detailed questions answered is to attend TA office hours and recitation or post them on Piazza.

Office hours

Manolis Kellis (manoli@mit.edu): M 5-6pmZheng Dai, Dylan Cable: Tues 4-5pmJackie Valeri, Tessa Gustafson: Wed 7-8pm

Grading

Grading will be based upon five programming-intensive problem sets (30%), a quiz (25%), a project (35%), and participation plus one day of lecture scribing (10%). Attendance in lecture is important as the class moves quickly and you will need to be present. For students enrolled in one of the graduate versions of this class (6.874, 20.490, and HST.506) there will be an extra section on some problem sets. You can use three late days for problem set deadlines (or email the course staff).

Lecture Scribing

If you are enrolled in this course for credit, you are requiured to scribe for one lecture.

The requirements for lecture scribing are as follows:

1. On the day of lecture you may take notes however you like. Lectures will be recorded, so asynchronous participation is fine.
2. During the week after lecture, we ask that you work with everyone assigned to scribe your lecture to compile a finalized set of notes that summarize the key points of the lecture, explain important equations, images and plots, illustrate or describe relevant things that were written on the board, and describe any important questions & answers between student and professor that were exchanged.
   The end goal is for you to generate a compact resource which you and your classmates can use to glean the important material from your lecture. The finalized notes should generally adhere to and extend from the structure outlined by the headings at the beginning of the notes template.
3. The notes template and finished scribed notes may be found here.
4. Let the course staff know you are finished compiling the notes by sending an email to 6.874staff@mit.edu. The deadline for completing the notes will be end-of-day one week after your lecture (e.g. notes from a lecture on 2/18 will be due on 2/25 @ 11:59 PM).

Project

This subject has a substantial project component. We strongly recommend working on projects in team of 2-3 students, but if there’s a strong justification, we can consider exceptions. You are free to choose any problem in the life sciences related to the lectures of the course, and develop a deep learning solution using the subject’s methodologies or cloud resources. We will have extensive mentoring resources for the students to help provide guidance, access to datasets, and biological insights. We will hold mentoring sessions during which you will have a chance to refine your ideas in consultation with the teaching staff and research mentors for each research area.

Textbook

We will be using the book “Deep Learning” by Goodfellow, Bengio, and Courville. You can find the book online here and here. You can purchase a hard copy at MIT Press or on Amazon.

Another useful book is the Matrix Cookbook, an extensive collection of facts about matrices.MIT – 6.802 / 6.874 / 20.390 / 20.490 / HST.506 Computational Systems Biology: Deep Learning in the Life Sciences – Spring 2019

Harvard University – Introduction to Bioinformatics and Computational Biology

Harvard University – Introduction to Bioinformatics and Computational Biology

• Intro to Bioinfo & Comp Bio
• 1 Course information
  • 1.1 Contributors
• 2 Introduction
  • 2.1 Brief history of bioinformatics
  • 2.2 Should I take this course?
  • 2.3 Course information
  • 2.4 Lab 1
• 3 High throughput sequencing
  • 3.1 Three generations of sequencing technologies
  • 3.2 FASTQ and FASTQC
  • 3.3 Early sequence alignment (1 with 1)
  • 3.4 Sequence search algorihtms (1 with many)
  • 3.5 Borrow-Wheeler Aligner (many with many)
  • 3.6 Alignment output
• 4 RNA-seq Quantification
  • 4.1 Introduction to RNA-seq experiment
  • 4.2 RNA quality control and experimental design
  • 4.3 Alignment
  • 4.4 RNA-seq QC
  • 4.5 RNA-seq expression index
  • 4.6 RSEM and Salmon
  • 4.7 RNA-seq read distribution
  • 4.8 Lab 2
• 5 Differential expression, FDR, GO, and GSEA
  • 5.1 DESeq2 library normalization
  • 5.2 DESeq2 variance stabilization
  • 5.3 Multiple hypotheses testing and False Discovery Rate
  • 5.4 DESeq2 gene filtering
  • 5.5 Gene Ontology (GO analysis)
  • 5.6 Gene Set Enrichent Analysis (GSEA)
  • 5.7 DESeq2 tutorial
• 6 Clustering
  • 6.1 Heatmap and clustering quality
  • 6.2 Hierarchical cluster
  • 6.3 K means cluster
  • 6.4 Pick K and consensus clustering
  • 6.5 Batch effect removal
  • 6.6 Lab3
• 7 Dimension Reduction
  • 7.1 Principal Component Analysis: idea behind PCA.
  • 7.2 Principal Component Analysis: PCA applications.
  • 7.3 Multidimensional Scaling (MDS)
  • 7.4 Linear discriminant Analysis (LDA)
• 8 Classification
  • 8.1 Introduction
  • 8.2 Supervised learning
  • 8.3 Cross validation
  • 8.4 Regression
  • 8.5 Regularization
  • 8.6 KNN
  • 8.7 Decision trees
  • 8.8 Random forest
  • 8.9 SVM
  • 8.10 Lab 4
• 9 Module I Review
  • 9.1 Module I review
  • 9.2 Analysis Scenario 1
  • 9.3 Analysis Scenario 2
• 10 Transcription Factor Motif Finding
  • 10.1 Transcription regulation
  • 10.2 Motif representation
  • 10.3 EM
  • 10.4 Gibbs sampler
  • 10.5 Gibbs intuition
  • 10.6 Motif finding in eukaryotes
  • 10.7 Known motif database
• 11 ChIP-seq, Expression Integration
  • 11.1 Motif finding in eukaryotes, and ChIP-seq
  • 11.2 MACS and ChIP-seq QC
  • 11.3 Identify TF interactions from ChIP-seq motifs
  • 11.4 TF target genes and expression integration
  • 11.5 Lab 5
• 12 Epigenetics, DNA Methylation
  • 12.1 Intro to DNA Methylation
  • 12.2 DNA Methylation Pattern and Function
  • 12.3 DNA Methylation in Diseases
  • 12.4 Techniques to Measure DNA Methylation
• 13 Histone Modifications , Chromatin Accessibility
  • 13.1 Nucleosome Positioning
  • 13.2 Introduction to Histone Modifications
  • 13.3 Infer Transcription Factor Binding from Histone Mark Dynamics
  • 13.4 Using Histone Marks to Infer Gene Functions
  • 13.5 Introduction to DNase-seq and ATAC-seq
  • 13.6 Infer TF from Differential Genes Using LISA
  • 13.7 Caution on DNase/ATAC-seq footprint analysis
  • 13.8 Summary of Epigenetics and Chromatin
  • 13.9 Lab 6
• 14 Hidden Markov Model
  • 14.1 Markov Chain
  • 14.2 Hidden Markov Model
  • 14.3 Hidden Markov Model Forward Procedure
  • 14.4 Hidden Markov Model Backward Procedure
  • 14.5 HMM Forward-Backward Algorithm
  • 14.6 Viterbi Algorithm
  • 14.7 Baum Welch Algorithm Intuition
  • 14.8 HMM Bioinformatics Applications
• 15 HiC
  • 15.1 Introduction to Chromatin Interaction and Organization
  • 15.2 Methods to Investigate 3D Genome Organization
  • 15.3 Topologically Associating Domains
  • 15.4 TAD Function and Loop Anchors
  • 15.5 Chromatin Compartments
  • 15.6 Computational Methods to Call Chromatin Loops
  • 15.7 Variations of Chromatin Interaction Technologies
  • 15.8 Resources for Exploring 3D Genomes
  • 15.9 Lab 7
• 16 Module II Review
  • 16.1 Module II Review
  • 16.2 Module II Analysis Scenarios
• 17 SNP and GWAS
  • 17.1 SNP, LP, and Association Studies
  • 17.2 GWAS Studies and eQTL Analysis
  • 17.3 Lab 8
• 18 GWAS and Epigenomics
  • 18.1 Intro Functional Annotate GWAS
  • 18.2 GWAS Functional Enrichment
  • 18.3 Find Causal SNPs
  • 18.4 Predict disease risk
• 19 Single-cell RNA-seq (1)
  • 19.1 Intro to scRNA-seq
  • 19.2 scRNA seq techniques
  • 19.3 scRNA seq preprocessing and QC
  • 19.4 Cleaning up expression matrix
• 20 Single-cell RNA-seq (2)
  • 20.1 scRNA seq dimension reduction
  • 20.2 Clustering and projections
  • 20.3 Pseudo time and RNA velocity
  • 20.4 Clustering by genotype and CITE seq
• 21 scATAC-seq
  • 21.1 Single-Cell ATAC-seq Technique
  • 21.2 Single-Cell ATAC-seq Pre-Processing and QC
  • 21.3 Single-Cell ATAC-seq Analysis
  • 21.4 scATAC-seq Downstream Analyses and scRNA-seq Integration
  • 21.5 Lab 9
• 22 Module III Review
  • 22.1 Module III Review
• 23 Cancer Genome Sequencing , Mutation analyses
  • 23.1 Intro to TCGA
  • 23.2 Cancer mutation characterization
  • 23.3 Cancer mutation patterns
  • 23.4 Tumor purity and clonality
  • 23.5 Interpret tumor mutations
  • 23.6 Find cancer genes
  • 23.7 Summary and future
• 24 Cancer Subtyping, Survival Analyses
  • 24.1 Tumor Subtypes
  • 24.2 Survival analysis
  • 24.3 Oncogenes and Tumor Suppressor Mutations
  • 24.4 Cancer Epigenetics
• 25 Targeted Therapy and Precision Medicine
  • 25.1 Introduction to Targeted Therapy and Precision Medicine
  • 25.2 Resistance to targeted therapy
  • 25.3 Model system chemical and genetic screens
  • 25.4 Overcoming resistance to targeted therapy
• 26 Cancer Immunotherapy (1)
  • 26.1 Intro to Cancer Immunotherapy
  • 26.2 HLA and Neoantigen Presentation
  • 26.3 Immune Cell Infiltration in Tumors
  • 26.4 T Cell Receptor Repertoires in Cancer Immunology
  • 26.5 Lab 10
• 27 Cancer Immunotherapy (2)
  • 27.1 B Cell Receptor Repertoires in Tumors
  • 27.2 T Cell Activation and Dysfunction
  • 27.3 NK Cells and Macrophages in Tumor Immunity
  • 27.4 Cancer Immunotherapy Response Biomarkers
  • 27.5 Improving Immunotherapy Response
  • 27.6 Lab 11
• 28 CRISPR Screens
  • 28.1 Introduction to CRISPR and CRISPR Screens
  • 28.2 Computational Resources for CRISPR and Screens
  • 28.3 Cancer Cell Vulnerability from CRISPR Screens
  • 28.4 Immune Related CRISPR Screens
  • 28.5 Depmap tutorial
• 29 Module IV Review and Course Review
  • 29.1 Module IV Review
  • 29.2 Final Course Review
  • 29.3 Final Exam Preparations
  • 29.4 Levels of Bioinformatics and Preparing for the Future
• Published with bookdown

Chapter 1 Course information

This is the course material for STAT115/215 BIO/BST282 at Harvard University.
All the YouTube videos in this course are organized under the 2021 STAT115 playlist.

1.1 Contributors

Xiaole Shirley Liu Harvard University and Dana-Farber Cancer Institute
Joshua Starmer StatQuest
Ting Wang Washington University
Feng Yue Northwestern University
Ming Tang Dana-Farber Cancer Institute
Martin Hemberg Wellcome Sanger Institute
Gad Getz Harvard University and Broad Institute

Yang Liu
Bo Yuan
Jack Kang
Scarlett Qian
Jiazhen Rong
Phillip Nicol
Maartin De Vries

We thank many colleagues in the community, who helped Dr. Liu in prepare the STAT115/215 BIO/BST282 course over the years. Some of the lecture slides acknowledged their contributions, but these contributors are not individually acknowledged here.

08 khóa học Machine Learning miễn phí

08 khóa học Machine Learning miễn phí

(Nguồn: https://blog.vinbigdata.org/)

Những khóa học Machine Learning dưới đây đều được triển khai bởi những trường đại học, viện nghiên cứu hay công ty công nghệ uy tín từ khắp nơi trên thế giới. Hãy nhanh chóng lưu lại, trải nghiệm và chia sẻ cùng cộng đồng công nghệ nhé!

Tổng hợp 08 khóa học miễn phí về Machine Learning

1, Machine Learning with Python: A Practical Introduction (IBM): Khóa học này sẽ là một khởi đầu tuyệt vời dành cho các “newbie” muốn tìm hiểu về học máy. Tại đây, các bạn sẽ được trang bị các thuật toán học có giám sát (supervised learning), bao gồm phân loại và hồi quy, cùng các thuật toán học không giám sát (unsupervised learning), bao gồm phân cụm và giảm chiều. Ngoài ra, một số kiến thức về mối quan hệ giữa mô hình thống kê với học máy, và những ứng dụng thực tế cũng sẽ được giới thiệu trong khóa học. 

2, Machine Learning Fundamentals (UCSanDiego): Khóa học sẽ giúp bạn hiểu vai trò của học máy trong việc xây dựng mô hình, dự đoán và ra quyết định theo hướng dữ liệu. Một số nội dung của khóa học bao gồm: 

• Các thuật toán phân loại, hồi quy và xác suất có điều kiện
• Mô hình sinh (Generative models) và mô hình phân biệt (discriminative models)
• Mô hình tuyến tính và phi tuyến tính bằng cách sử dụng các phương pháp Kernel
• Các phương pháp kết hợp: boosting, bagging, random forests
• Kỹ thuật phân cụm, giảm chiều, tự động mã hóa…

3, Machine learning with Python for finance professionals (ACCA): Khóa học tập trung vào việc cung cấp các kỹ năng Python thực tế cho các chuyên gia tài chính, những người muốn tối đa hóa việc sử dụng các công cụ tự động nhằm cải thiện hiệu suất làm việc trong tổ chức. Những nội dung chính của khóa học gồm: 

• Giới thiệu về Python, từ thiết lập ban đầu đến giải thích các khái niệm cơ bản như các dạng dữ liệu, biến, toán tử, điều khiển luồng và hàm
• Sử dụng Python để phân tích dữ liệu
• Tự động hóa quy trình làm việc của Excel bằng Python 
• Các hoạt động cơ bản của mô hình học máy và mối quan hệ của nó với khoa học dữ liệu, Dữ liệu lớn và Trí tuệ nhân tạo.

4, Machine Learning with Python: from Linear Models to Deep Learning (MITx): Khóa học sẽ giới thiệu chuyên sâu về học máy, từ mô hình tuyến tính đến học sâu và học tăng cường, thông qua các dự án thực hành liên quan đến Python. Tại đây, các bạn có cơ hội tìm hiểu:

• Các nguyên tắc đằng sau những bài toán học máy như phân loại, hồi quy, phân cụm và học tăng cường
• Cách triển khai và phân tích các mô hình như mô hình tuyến tính, kernel, mạng nơ-ron và mô hình đồ họa
• Quy trình thực hiện các dự án học máy, từ đào tạo, đánh giá, điều chỉnh tham số đến các kỹ thuật tính năng.

5, Machine Learning for Data Science and Analytics (ColumbiaX): Khóa học sẽ cung cấp các kiến thức cơ bản về học máy và mối liên hệ với khoa học dữ liệu. Cụ thể, học viên có có hội tìm hiểu về cách học máy sử dụng các thuật toán máy tính để tìm kiếm các mẫu trong dữ liệu; cách sử dụng các mẫu dữ liệu để đưa ra quyết định và dự đoán; quy trình chuẩn bị dữ liệu, xử lý dữ liệu bị thiếu và tạo các giải pháp phân tích dữ liệu tùy chỉnh cho từng ngành khác nhau. Một số thuật toán cơ bản và được sử dụng phổ biến như sắp xếp, tìm kiếm, giải thuật tham lam (greedy algorithms) và quy hoạch động (dynamic programming).

6, PyTorch Basics for Machine Learning (IBM): Trong khóa học này, bạn sẽ tìm hiểu phương thức triển khai các thuật toán học máy cổ điển, tập trung vào cách PyTorch tạo và tối ưu hóa mô hình. Một số nội dung của khóa học bao gồm:

• Xây dựng pipeline học máy trong PyTorch
• Đào tạo mô hình trong PyTorch.
• Tải tập dữ liệu lớn
• Đào tạo các ứng dụng học máy với PyTorch
• Các kiến thức nền tảng để áp dụng cho học sâu 

7, Deep Learning with Tensorflow (IBM): Khóa học tập trung vào việc áp dụng Học sâu với TensorFlow cho các dữ liệu phi cấu trúc nhằm giải quyết những vấn đề thực tế. Đáng lưu ý, “Deep Learning with Tensorflow” không dành cho những bạn mới bắt đầu tìm hiểu về học máy, bởi nội dung chương trình này ở ngưỡng từ trung cấp trở lên, như:

• Các khái niệm TensorFlow cơ bản (chức năng chính, hoạt động và pipeline thực thi)
• Cách áp dụng TensorFlow trong điều chỉnh đường cong, hồi quy, phân loại và giảm thiểu các hàm lỗi.
• Các dạng của Deep Architectures, chẳng hạn như Mạng nơ-ron tích chập, Mạng nơ-ron hồi quy và Tự động mã hóa.
• Áp dụng TensorFlow để điều chỉnh trọng số và độ lệch trong khi đào tạo Mạng thần kinh.

8, High-Dimensional Data Analysis (HarvardX): Khóa học tập trung vào một số kỹ thuật được sử dụng phổ biến trong phân tích dữ liệu đa chiều. Trong đó, có thể kể đến các kỹ thuật bao gồm: giảm chiều, phương pháp phân tích suy biến (singular value decomposition), phân tích thành phần chính (Principal Component Analysis),… Lưu ý, đây là khóa học ở cấp độ “advanced”, dành cho những bạn đã thuần thục về học máy và khoa học dữ liệu.

Deep Learning; Yann LeCun; NYU

Yann LeCun’s Deep Learning Course at CDS

this course concerns the latest techniques in deep learning and representation learning, focusing on supervised and unsupervised deep learning, embedding methods, metric learning, convolutional and recurrent nets, with applications to computer vision, natural language understanding, and speech recognition. The prerequisites include: DS-GA 1001 Intro to Data Science or a graduate-level machine learning course.

Link: https://cds.nyu.edu/deep-learning/

Sự thật bất ngờ đằng sau khoá học trực tuyến “hút khách” nhất lịch sử

Sự thật bất ngờ đằng sau khoá học trực tuyến “hút khách” nhất lịch sử

(Nguồn: https://dantri.com.vn/)

Khoá học The Science of Well-Being – Khoa học về Hạnh phúc của trường ĐH Yale trở thành khoá học trực tuyến hút khách nhất lịch sử khi đạt 1,8 triệu lượt người đăng ký học vào tháng 4/2020.

Bi kịch phía sau những giảng đường danh tiếng bậc nhất thế giới

Tiến sĩ Emma Seppala, Giám đốc Khoa học của Trung tâm Nghiên cứu về Lòng trắc ẩn và vị tha của ĐH Stanford (Hoa Kỳ) đã mô tả trong cuốn sách “Con đường đến với Hạnh phúc” rằng: “Khi bạn tới thung lũng Silicon Valley – vương quốc, lãnh địa của Facebook, Google, Twitter, và trường ĐH Stanford… gần như ngay lập tức bạn sẽ cảm thầy sự ồn ào trôi trong bầu không khí.

Tại bất kỳ quán cà phê nào ở khu trung tâm của Paulo Alto, bạn chắc chắn sẽ nghe thấy những cuộc trò chuyện đầy phấn khích, hứng khởi của các doanh nhân với nhà đầu tư hoặc những sinh viên xuất sắc đang ngồi trong những thành đường đẹp như mơ hứng khởi nghe các giáo sư đạt giải Nobel giảng bài.

Thung lũng Silicon đại diện cho những gì đẹp nhất của giấc mơ Mỹ: tuổi trẻ, hoài bão, nhiệt huyết, sáng tạo, thành công, danh tiếng”. Nhưng đằng sau “bức tranh đẹp đẽ” đó là tỷ lệ sinh viên tử tự tử gây choáng váng, điển hình là ở ĐH Stanford.

Carole Pertofsky, Giám đốc Chương trình Nâng cao Hạnh phúc và Sức khoẻ của ĐH Stanford, người đã thiết kế lớp học hạnh phúc giải thích về “hội chứng con vịt”.

Tức là ở đây, mọi người mặc định là ai cũng phải tỏ ra mình vui vẻ hạnh phúc, cho dù bên trong lòng có mệt mỏi chán chường đến đâu. Cái này được gọi là “hội chứng con vịt”. Con vịt khi bơi trên mặt hồ nhìn rất ung dung thong thả, nhưng nhìn bên dưới mới biết chú ta đang đạp chân điên cuồng giữ cho mình nổi.

Mô tả về áp lực phải thành công của sinh viên ngôi trường nằm trong top Ivy League, tiến sỹ Emma Seppala ví dụ trường hợp nữ sinh viên tên là Jackie, một trong học trò tài năng bà từng dạy.

“Cô ấy thường quen với thành công. Khi còn rất trẻ, Jackie đã nhận được nhiều sự ca tụng và là tâm điểm chú ý của truyền thông.

Năm 14 tuổi, cô sáng lập một tổ chức phi lợi nhuận dạy nhảy cho những đứa trẻ có hoàn cảnh thiệt thòi để chúng từ bỏ cuộc sống lang thang và phát triển sự tự tôn.

Cô xuất sắc đạt nhiều thành tích, trong đó có giải thưởng từ cuộc thi sắc đẹp ở địa phương. Và với hàng loạt dấu mốc ấn tượng, cô được nhận vào ĐH Stanford.

Nhưng khi bước chân vào Stanford, xung quanh Jackie đều là những gương mặt đã từng nhận nhiều giải thưởng trong quá khứ, có người là ứng viên danh sách top 20 – top 30 của tạp chí Forbes, vận động viên Olympic, giành học bổng Rhodes, thành viên trẻ nhất của Hội đồng bang California.

Áp lực tiếp tục phải giữ ngôi vị dẫn đầu khiến Jackie điên cuồng lao vào học tập, nghiên cứu, hoạt động xã hội để giành thêm những giải thưởng điều đó khiến cô đã bị mắc chứng mất ngủ cộng trầm cảm hưng phấn trong một thời gian dài.

Chứng kiến tỷ lệ sinh viên bị mắc chứng căng thẳng, lo lắng, chán nản quá nhiều, Giáo sư Laurie Santos (Đại học Yale – Hoa Kỳ) đã kiến tạo lớp học tên là “Khoa học về Hạnh phúc”.

Đây là khoá học có số lượng sinh viên tham dự đông nhất trong hơn 317 năm lịch sử của trường ĐH Yale và khi xuất hiện trên trang giáo dục trực tuyến Coursera nó chạm mốc 1,8 triệu người đăng ký – một con số kỷ lục của khoá học trực tuyến trong lịch sử nhân loại.

Theo Thời báo New York, ở một quốc gia giàu có nhất thế giới nhưng có tới hơn một nửa sinh viên sống trong tình trạng lo lắng, vô vọng đến mức không dám dành một vài giờ ít ỏi để nghỉ ngơi thì khoá học này là một cẩm nang sống vô cùng hữu ích và cần thiết.

“Rat race” – một cụm từ thông dụng trong xã hội Mỹ, trong đó có các giảng đường đại học. “Rat race” là một cuộc đua chuột vô tận.

Nó gợi lên hình ảnh của những con chuột trong phòng thí nghiệm đua để có được những “pho mát” – giống như con người trong xã hội trong cuộc ganh đua khốc liệt để tìm kiếm tiền bạc, địa vị, tài chính.

Khoá học The Science of Well-Being là khoá học đắt khách nhất lịch sử nhân loại (Ảnh minh hoạ).

Bí mật của hạnh phúc?

Theo Giáo sư tâm lý học Yale, Laurie Santos: Trong đại dịch, nhiều người đã đăng ký khoá học hạnh phúc hơn. Santos cho biết rất nhiều người quan tâm đến việc làm thế nào để họ có thể thăng hoa hơn một chút và cũng có thể bảo vệ sức khỏe tinh thần của họ trong thời điểm này.

“Chỉ trong thời gian diễn ra Covid-19, chúng tôi đã có sự gia tăng đáng kể về số lượng người đăng ký, vì vậy hơn 2 triệu người đã đăng ký, chỉ trong vài tháng qua”, Santos nói.

Cô cho biết hàng triệu người đó ở hơn 200 quốc gia. Kết quả cho thấy lớp học có tác động đến mức độ hạnh phúc của những người tham gia.

“Chúng tôi có dữ liệu sơ bộ cho thấy trên thang điểm hạnh phúc 10 điểm, mọi người tăng lên khoảng 1 điểm khi họ tham gia lớp học và điều đó thật tuyệt vời khi chúng tôi đang làm cho hàng triệu người hạnh phúc hơn một chút”.

Lớp học là các video ngắn của cô và một số sinh viên Yale để gợi mở về chìa khoá mật của hạnh phúc. Cô cho biết nhiều người nghĩ rằng hoàn cảnh của họ thúc đẩy hạnh phúc, nhưng thực tế lại khác biệt hơn. Mọi người có thể kết nối với hạnh phúc trong bộ não của họ bằng cách thực hiện các hành động đơn giản.

Khóa học có thể được thực hiện theo cách của riêng bạn. Có bài tập về nhà, nhưng nó không liên quan đến các bài luận. Đó là bài tập thực hiện hành động thiết thực chẳng hạn như tạo một kết nối quan hệ xã hội mới, thực hiện một hành động tử tế ngẫu nhiên hoặc trong bữa ăn, có mặt và thưởng thức trải nghiệm.

Ở những bài học đầu tiên, GS Santos phân tích về sự lầm tưởng của người Mỹ với hạnh phúc theo thước đo thường thấy là: sự nghiệp thăng tiến, công việc hoàn hảo với mức lương cao, trúng sổ xố, nhà, xe đẹp, nhan sắc, hình thể đáng mơ ước…

“Đó là những thứ sẽ thôi thúc ám ảnh đa số chúng ta phải đạt được nhưng sau một thời gian sử dụng, có thể bạn sẽ nhàm chán và không còn cảm thấy hạnh phúc như kỳ vọng ban đầu”.

Bởi: “Một chiếc xe hơi mới sau một thời gian sử dụng sẽ trở nên lỗi thời có thể khiến bạn không còn vui như ngày đầu; một kỳ nghỉ ở châu Âu hay chuyến thám hiểm của châu Phi có thể biến mất nhưng nó sẽ mãi ở trong tâm trí bạn như một ký ức đẹp đáng nhớ cả đời”, GS Santos trích dẫn GS Dan Gilbert của ĐH Havard.

Do đó, vị giáo sư dành lời khuyên đến các bạn sinh viên hãy đầu tư cho các trải nghiệm chứ không phải vật chất. Đó có thể là những việc bạn cắm một bình hoa, nấu một món ăn ngon, đọc một trang sách, đi bộ dưới trời mưa lâm thâm ngắm hoa anh đào bay trong gió.

Hãy tạo cho mình một danh sách của những điều giản dị mà khi trải qua chúng, bạn cảm thấy sung sướng và mãn nguyện. Và hãy nhớ chia sẻ những cảm xúc của mình lắng đọng trong thời khắc này với bạn bè, người thân qua những bức ảnh hay dòng tin nhắn.

Điều đó nhắc về giây phút bạn đang sống trong hiện tại với lòng biết ơn cuộc đời đã ban tặng cho bạn những món quà tuyệt vời đến vậy” – GS Santos chia sẻ.

GS Santos nhấn mạnh đến một lý do phổ biến khiến con người không hạnh phúc là thường xuyên so sánh mình với người khác. Chúng ta luôn bị áp lực phải so sánh cuộc đời mình với những kẻ xung quanh theo kiểu “cỏ nhà khác luôn xanh hơn”.

Giáo sư Santos bắt đầu với một tấm ảnh chụp ba người chiến thắng trong thế vận hội Olympic. Người có nụ cười gượng gạo nhất không phải người giành huy chương đồng mà là người nhận huy chương bạc vì người này so sánh mình với người được huy chương vàng để rồi tiếc nuối, buồn bực. Còn người đạt huy chương đồng so sánh với người về đích thứ 4 trắng tay nên họ thấy vui.

Nhiều bất hạnh nảy sinh từ cảm giác so sánh trong công việc khi bạn thấy cuộc sống dễ chịu hơn nếu làm trong một công ty không có quá nhiều sự khác biệt về thu nhập hay khoảng cách về tài năng; trong cuộc sống khi là cư dân của một thị trấn, vùng quê yên bình sẽ thoải mái, vui vẻ hơn là sống nơi đô thị phồn hoa với áp lực cạnh tranh, đấu đá hay khi lướt mạng xã hội khi thấy những hình ảnh trai xinh, gái đẹp, cuộc sống sang chảnh, gia đình hạnh phúc…

Và nguyên tắc căn bản được GS Santos đưa ra là hãy so sánh bản thân với phiên bản của chính mình ngày hôm qua thay vì so sánh với người khác.

Hãy tập tập thói quen viết ra ba điều biết ơn mỗi ngày để thấy mình đang may mắn hơn nhiều người khác như thế nào. Đó có thể chỉ là một bữa ăn ngon, cơ hội gặp lại bạn cũ sau 10 năm quên lãng, được tắm nước nóng với tinh dầu thơm, có một công việc, một mái nhà, một gia đình trong lúc hàng nghìn sinh mạng đang bị cướp đi mỗi ngày bởi đại dịch Covid -19.

Ngoài ra, chúng ta cũng đừng quên việc học thiền, tập thở, rèn luyện thể thao, uống đủ nước, ngủ đủ giờ cũng giúp gia tăng đáng kể cảm giác hạnh phúc.

Đặc biệt, GS Santos chỉ ra, những nghiên cứu cho thấy người hạnh phúc thường xuyên dành thời gian cho gia đình, bạn bè và họ có một mạng lưới quan hệ xã hội giàu có.

Cô khuyên sinh viên nên dùng 5 phút mỗi ngày để trò chuyện với ai đó ở bến xe bus, ở quán ăn, với cô thủ thư hay người dọn dẹp tại trường. Giúp bạn bè những việc nhỏ, nói những lời tử tế với người thân, hiến máu, tình nguyện, viết thư thăm hỏi và cảm ơn với một ai đó đã từng giúp đỡ bạn – một ai đó từng là nguồn cảm hứng khiến bạn thay đổi cuộc đời theo chiều hướng tích cực đều có thể mang lại hạnh phúc cho tâm hồn.

“Đó thực sự là hành vi của chính chúng ta. Chính suy nghĩ của chúng ta, những thứ mà chúng ta có thể kiểm soát, thực sự giúp cải thiện sức khỏe tinh thần của chúng ta.

Những thứ như tăng cường kết nối xã hội, làm những điều tốt đẹp cho người khác, ưu tiên những thói quen lành mạnh như tập thể dục và ngủ”, GS Santos tiết lộ về bí mật hạnh phúc.

Lệ Thu

  (Tổng hợp)

———————&&&——————–

Udemy MOOC-Tài chính định lượng: Định giá sản phẩm tài chính

Udemy MOOC-Tài chính định lượng: Định giá sản phẩm tài chính

What you’ll learn

• Hiểu biết về các sản phẩm tài chính thông dụng trên thị trường
• Xây dựng các mô hình định giá sản phẩm tài chính cơ bản
• Cơ bản về môn học tài chính định lượng và ứng dụng

Requirements

• Toán học cơ bản THPT. Kiến thức về xác suất thống kê bậc đại học sẽ giúp dễ dàng tiếp cận với bài giảng hơn.

Description

Tài chính định lượng, hay toán tài chính, là một bộ môn sử dụng các phương pháp định lượng nhằm xây dựng các mô hình định giá sản phẩm tài chính, sản phẩm tài chính phái sinh.

Khóa học này sẽ gồm những nội dung chính sau:

• Mô tả về các sản phẩm tài chính và tài chính phái sinh cơ bản được giao dịch trên thị trường và cách định giá dựa trên nguyên lý không có cơ hội chênh lệch giá (No-arbitrage pricing)
• Mô tả mô hình cây nhị phân trong việc định giá quyền chọn tài chính (option)
• Mô tả các nguyên lý cơ bản của định giá sản phẩm tài chính
• Mô tả phương trình Black-Scholes trong định giá quyền chọn

******************

Đăng ký (free): link

————————–&&&———————–

Cognitive Class MOOC-Blockchain Essentials

Understand blockchain technology and how it can solve business problems. Learn the basics of developing applications with chaincode.

About this Blockchain course

Blockchain is an emerging technology that can radically improve banking, supply chain, and other transaction networks and can create new opportunities for innovation. Businesses contain many examples of networks of individuals and organizations that collaborate to create value and wealth. These networks work together in markets that exchange assets in the form of goods and services between the participants.

Blockchain technology provides the basis for a dynamic shared ledger that can be applied to save time when recording transactions between parties, remove costs associated with intermediaries, and reduce risks of fraud and tampering.

The video lectures and lab in this course help you learn about blockchain for business and explore key use cases that demonstrate how the technology adds value.

Course outline

Module 1 – Discover Blockchain

• • What is blockchain
  • The business backdrop
  • The problem area
  • Relation to bitcoin
  • Requirements for blockchain in a business environment
  • Requirements deep dive

Module 2 – Leverage blockchain benefits

• • Why blockchain is relevant for business
  • Consensus: shared reference data example
  • Provenance: supply chain example
  • Immutability: audit and compliance example
  • Finality: letter of credit example
  • Industry use cases
  • Customer adoption

Module 3 – Transform your business with blockchain

• • IBM and Hyperledger relationship: Blockchain for business
  • Hyperledger Composer
  • Public references
  • IBM engagement model

Demo – Blockchain asset transfer

• • Transfer assets in blockchain
  • Blockchain asset transfer demo

Lab – Transfer assets

• • Set up the Hyperledger Composer Playground
  • Transfer assets in a blockchain network
  • Explore editor views archive data

Recommended skills prior to taking this course

• None

******************

Đăng ký (free): link

———————&&&———————–

edx MOOC-Supply Chain Analytics; MITx

edx MOOC-Supply Chain Analytics; MITx

Master and apply the core methodologies used in supply chain analysis and modeling, including statistics, regression, optimization and probability ​– part of the MITx Supply Chain Management MicroMasters Credential.

About this course

Supply chains are complex systems involving multiple businesses and organizations with different goals and objectives. Many different analytical methods and techniques are used by researchers and practitioners alike to better design and manage their supply chains. This business and management course introduces the primary methods and tools that you will encounter in your study and practice of supply chains. We focus on the application of these methods, not necessarily the theoretical underpinnings.

We will begin with an overview of introductory probability and decision analysis to ensure that students understand how uncertainty can be modeled. Next, we will move into basic statistics and regression. Finally, we will introduce optimization modeling from unconstrained to linear, non-linear, and mixed integer linear programming.

This is a hands-on course. Students will use spreadsheets extensively to apply these techniques and approaches in case studies drawn from actual supply chains.

What you’ll learn

• Basic analytical methods
• How to apply basic probability models
• Statistics in supply chains
• Formulating and solving optimization models

Syllabus

WEEK 1: INTRODUCTION TO SUPPLY CHAINS AND BASIC ANALYSIS

WEEK 2: PRESCRIPTIVE MODELING I: CONSTRAINED AND UNCONSTRAINED OPTIMIZATION

WEEK 3: PRESCRIPTIVE MODELING II: IPS, MILPS, AND NETWORK MODELS

WEEK 4: ALGORITHMS AND APPROXIMATIONS

WEEK 5: PREP-WEEK

WEEK 6: MIDTERM EXAM

WEEK 7: MANAGING UNCERTAINTY: DISTRIBUTIONS AND PROBABILITY

WEEK 8: STATISTICAL TESTING

WEEK 9: REGRESSION AND SIMULATION MODELS

WEEK 10: QUEUEING THEORY AND DISCRETE EVENT SIMULATION

WEEK 11: PREP-WEEK

WEEK 12: FINAL EXAM

******************

Đăng ký (free): link

———————-&&&———————-

DataCamp Open Course-Hướng dẫn cơ bản về R; Hoang Duc Anh

DataCamp Open Course-Hướng dẫn cơ bản về R; Hoang Duc Anh

Trong loạt bài giảng này, bạn sẽ học được cách làm chủ những kiến thức cơ bản của ngôn ngữ lập trình thông kê R, bao gồm factors, list và data frame. Những kiến thức này sẽ giúp bạn bắt đầu công việc của một nhà phân tích dữ liệu. Với hơn 2 triệu người sử dụng R trên toàn thế giới, R đang nhanh chóng trở thành ngôn ngữ lập trình số một trong giới thống kê và khoa học số liệu. Hàng năm, số lượng người dùng R tăng hơn 40% và ngày càng có nhiều cơ quan và tổ chức sử dụng R trong hoạt động phân tích thường nhật. Hãy bắt đầu khám phá sức mạnh và học cách sử dụng R ngay từ ngày hôm nay.

CHƯƠNG TRÌNH HỌC

Giới thiệu căn bản về R

Trong chương này, chúng ta sẽ bắt đầu tìm hiểu về R. Bạn sẽ được học cách sử dụng màn hình tương tác (console) để tính toán và gán biến. Thêm vào đó, bạn sẽ làm quen với các loại dữ liệu cơ bản trong R. Ta cùng bắt đầu nào!

Véc-tơ

Trong chương tiếp theo trong khóa học này, chúng ta sẽ cùng đến thăm Vegas, tại đây bạn sẽ được học cách sử dụng vec-tơ trong R để phân tích kết quả bài bạc của bản thân! Sau khi hoàn thành chương này, bạn sẽ học được cách khởi tạo, đặt tên, lọc các yếu tố và so sánh các véc-tơ trong R.

Ma trận

Trong chương này, bạn sẽ được học cách sử dụng ma trận trong R. Sau khi học xong, bạn sẽ thành thạo trong việc thiết lập ma trận và biết cách thực hiện những tính toán cơ bản trong ma trận. Để minh họa cho những điều trên, bạn sẽ phân tích doanh thu bán vé của Star Wars. Chúc bạn may mắn!

Factors

Trong rất nhiều trường hợp, dữ liệu có giá trị nằm trong một nhóm hữu hạn các giá trị cho trước. Ví dụ, giới tính có giá trị nam hoặc nữ. Trong R, các biến có loại này được gọi là factor. Các biến factor đóng vai trò rất quan trọng trong quá trình phân tích dữ liệu. Do đó, chúng ta sẽ cùng học cách tạo và xử lý các biến factor trong bài giảng dưới đây.

Data frames

Phần lớn dữ liệu sử dụng để phân tích được lưu dưới dạng data frame. Đến cuối chương này, bạn sẽ có thể tạo được data frame, lựa chọn data frame và sắp xếp thứ tự của data frame theo biến xác định.

Lists

Lists, không giống như véc-tơ, có thể lưu trữ các kiểu dữ liệu khác nhau. Trong chương này, chúng ta sẽ học cách khởi tạo, đặt tên và lọc các thành phần trong list.

******************

Đăng kí (free): link

---

Ghi chú.

Ưu điểm của khóa học (miễn phí) này:

• Được hướng dẫn bằng tiếng Việt.
• Hình dung được cách học & lập trình trên nền tảng “đám mây” (cloud computing), không cần cài đặt R.

Nhược điểm:

• Hướng dẫn bằng tiếng Việt.
• Học trên nền tảng “đám mây” (cloud computing).

——————-&&&——————

edx MOOC-Calculus Applied; HarvardX

edx MOOC-Calculus Applied; HarvardX

Apply tools of single-variable calculus to create and analyze mathematical models used by real practitioners in social, life, and physical sciences.

Syllabus

• Introduction Section (Section 0)
• Section 1: What Makes a Good Test Question? Mathematical Models to Measure Knowledge and Improve Learning
• Section 2: Economic Applications of Calculus: Price and Demand in a Tale of Two Cities
• Section 3: From X-Rays to CT-Scans: Mathematics and Medical Imaging
• Section 4: What is Middle Income? Thinking about Income Distributions with Statistics and Calculus
• Section: 5 Population Dynamics Part I: the Evolution of Population Models
• Section 6: Population Dynamics II: A Biological Puzzle OR How Fishing Affects a Predator-Prey System
• Section 7: Extinction, Chaos and other Bifurcation Behavior
• Section 8: Outbreak! Budworm Populations and Bifurcations
• Section 9: Species in Competition: Coexistence or Exclusion

Đăng kí (free): link

———–&&&———-